【技术实现步骤摘要】
本专利技术涉及自动驾驶感知，具体涉及一种特征投影方法、装置、设备、存储介质及汽车。
技术介绍
1、近年来自动驾驶相关技术快速发展，基于多源传感器的融合感知逐渐成为自动驾驶车辆高精度、高可靠性感知的主流方法。受限于车端硬件资源的算力限制、分配、以及技术维护的复杂度，传统感知方式多数偏向于进行后融合感知，即首先对各传感器数据信息进行独立的感知，再对所有传感器的感知结果采用特定融合策略进行融合，进而输出最终探测结果。这种处理方法实施过程简单，数据采标成本较低，对整体技术水平要求不高，同时后期易于分模块独立维护，但其缺点也同样突出，即未真正实现多源传感器信息的特征级充分融合使用，往往造成后融合策略复杂繁琐，难以取得理想效果，例如会产生不同传感器边界处目标融合、跟踪困难等问题。
2、为了改善这些问题，新兴的一种基于鸟瞰视角空间映射的bev(bird’s eye view，鸟瞰图)感知方式获得了业界的广泛关注，与传统方式不同，bev感知方案在各传感器数据的特征层直接进行融合，实现自车感知范围内全360°方向空间特征覆盖，不仅可以避免单传感器截断目标干扰以及后融合带来的有用信息丢失，而且可以大幅增强空间特征表达能力，进而有效提升环境感知探测的准确性。当前，bev感知正在逐渐取代传统感知方案，成为新一代智驾感知主流技术模式。基于纯视觉方案的多摄融合bev感知可以利用遍布车身的长焦、广角等成像摄像机完成车周全向环境视觉特征级融合感知，其核心在于仅依赖视觉图像特征来推断周遭环境来达到降低传感器使用成本的目的。通过使用深度神经网络模型对各
3、当前主流的2d到3d特征投影方法包括lss、matrixvt、bevpoolv2，但是对于下游任务占据栅格而言，三种方法存在各自的局限。lss主要问题为：1)映射出来的bev特征密度在中远距离过于稀疏；2)lss算子本身消耗算力过高。matrixvt的主要问题为：1)映射出来的bev特征密度在中远距离过于稀疏；2)方法本身被局限为2d映射，即映射出来的bev特征高度方向只能为一维，难以扩展至3d。bevpoolv2的主要问题则为：1)映射出来的bev特征密度在中远距离过于稀疏；此外，考虑到高级别智能驾驶功能对于车速、混乱场景等的需求，车辆的智能感知范围应尽可能大，现有技术中通过进行多次投影，每次投影时根据范围的不同设置不同的分辨率，而后进行后续特征计算，以此缓解大感知范围带来的算力消耗问题，但是仍旧存在算力的冗余消耗。
技术实现思路
1、本专利技术实施例的目的在于提供一种特征投影方法、装置、设备、存储介质及汽车，解决当前主流的2d到3d特征投影方法存在各自的局限，而且对于分辨率的设置存在算力的冗余消耗的问题，具体技术方案如下：
2、根据本申请实施例的第一方面，提供一种特征投影方法，所述方法包括：
3、获取目标车辆的相关信息，所述相关信息包括：感知输出需求，车载摄像头的目标2d图像，车载摄像头的内外参矩阵，初始鸟瞰图特征；
4、通过所述目标车辆的初始鸟瞰图特征和感知输出需求为目标车辆的不同尺度的感知范围生成不同粒度的第一分辨率；
5、通过深度神经网络获取所述车载摄像头的目标2d图像的2d图像内容特征和目标2d图像的特征点对应的深度概率分布；
6、通过不同尺度的感知范围，不同粒度的第一分辨率和所述目标车辆车载摄像头的内外参矩阵对所述初始鸟瞰图特征进行体素划分；
7、通过离线预计算将划分后的体素与所述2d图像内容特征和目标2d图像的特征点对应的深度概率分布建立目标对应关系；
8、通过所述目标对应关系生成每一所述体素对应的目标鸟瞰图特征后，执行占据栅格任务完成投影。
9、可选的，所述获取目标车辆的相关信息，包括：
10、获取所述目标车辆的产品设计要求和下游功能实现需求；
11、通过所述产品设计要求和所述下游功能实现需求，确定对所述目标车辆的感知输出需求；
12、通过车载摄像头获取目标车辆的目标2d图像；
13、所述通过所述目标车辆的初始鸟瞰图特征和感知输出需求为目标车辆的不同尺度的感知范围生成不同粒度的第一分辨率，包括：
14、通过所述初始鸟瞰图特征和感知输出需求将所述目标车辆的感知范围划分为不同尺度；
15、通过所述感知输出需求为划分后的不同尺度的感知范围生成不同粒度的第一分辨率。
16、可选的，所述通过所述感知输出需求为划分后的不同尺度的感知范围生成不同粒度的第一分辨率，包括：
17、通过所述感知输出需求为划分后的不同尺度的感知范围生成不同粒度的第二分辨率；
18、对所述不同尺度的感知范围内的第二分辨率进行判断；
19、若任一尺度的感知范围中存在不同粒度的第二分辨率的情况下，取最细粒度的第二分辨率作为任一所述尺度感知范围的第一分辨率；
20、若任一尺度的感知范围存在唯一粒度的第二分辨率的情况下，将所述唯一粒度的第二分辨率作为任一所述尺度感知范围对应的第一分辨率。
21、可选的，所述深度神经网络包括：骨干网络，2d图像内容特征卷积网络以及深度概率预测网络；
22、所述通过深度神经网络获取所述目标2d图像的2d图像内容特征和目标2d图像的特征点对应的深度概率分布，包括：
23、将所述目标2d图像经过预处理后输入所述骨干网络；
24、将从所述骨干网络输出的结果输入所述2d图像内容特征卷积网络，输出2d图像内容特征；
25、将从所述骨干网络输出的结果输入所述深度概率预测网络，输出目标2d图像的特征点对应的深度概率分布。
26、可选的，每一所述体素包括八个顶点；
27、所述通过离线预计算将划分后的体素与所述2d图像内容特征和目标2d图像的特征点对应的深度概率分布建立目标对应关系，包括：
28、针对任一体素，确定任一所述体素包括的八个目标顶点；
29、将八个所述目标顶点分别投影至所述2d图像内容特征平面，所述2d图像内容特征平面包括不同倍数下采样的2d图像内容特征平面；
30、获取八个所述目标顶点投影在所述2d图像内容特征平面的第一投影坐标；
31、通过所述第一投影坐标将任一所述体素与所述2d图像内容特征建立第一关系；
32、通过所述目标车辆车载摄像头的内本文档来自技高网...
【技术保护点】
1.一种特征投影方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取目标车辆的相关信息，包括：
3.根据权利要求2所述的方法，其特征在于，所述通过所述感知输出需求为划分后的不同尺度的感知范围生成不同粒度的第一分辨率，包括：
4.根据权利要求1所述的方法，其特征在于，所述深度神经网络包括：骨干网络，2D图像内容特征卷积网络以及深度概率预测网络；
5.根据权利要求1所述的方法，其特征在于，每一所述体素包括八个顶点；
6.根据权利要求5所述的方法，其特征在于，所述针对任一体素，确定任一所述体素包括的八个目标顶点之后，还包括：
7.根据权利要求5所述的方法，其特征在于，所述通过所述目标车辆车载摄像头的内外参矩阵将任一所述体素与目标2D图像的特征点对应的深度概率建立第二关系，包括：
8.根据权利要求6或7所述的方法，其特征在于，所述通过所述目标对应关系生成每一所述体素对应的目标鸟瞰图特征后，执行占据栅格任务完成投影，包括：
9.一种特征投影装置，其特征在于，包括：
10.一种电子设备，其特征在于，包括：
11.一种计算机可读存储介质，其特征在于，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行如权利要求1至8中任一项所述的特征投影方法。
12.一种车辆，其特征在于，包括权利要求9所述的特征投影装置。
...【技术特征摘要】
1.一种特征投影方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取目标车辆的相关信息，包括：
3.根据权利要求2所述的方法，其特征在于，所述通过所述感知输出需求为划分后的不同尺度的感知范围生成不同粒度的第一分辨率，包括：
4.根据权利要求1所述的方法，其特征在于，所述深度神经网络包括：骨干网络，2d图像内容特征卷积网络以及深度概率预测网络；
5.根据权利要求1所述的方法，其特征在于，每一所述体素包括八个顶点；
6.根据权利要求5所述的方法，其特征在于，所述针对任一体素，确定任一所述体素包括的八个目标顶点之后，还包括：
7.根据权利要求...
【专利技术属性】
技术研发人员：魏宇飞，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。